[發明專利]一種機器學習模型高通量分析乙型肝炎病毒基因組RT/S區序列特征預測肝癌風險的方法

在審

• 申請號: 202010411458.1
• 申請日: 2020-05-15
• 公開（公告）號: CN111613324A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 高春芳;王穎;陳世鵬;朱山風;張子寒
• 申請（專利權）人: 高春芳
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16B40/00;G16B30/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種采用機器學習模型高通量分析乙型肝炎病毒(Hepatitis B virus，HBV)基因組RT/S區序列特征預測肝癌風險的方法，其特征包括以下步驟：

(1)數據輸入及預處理：輸入HBV基因組RT/S區序列數據，判斷文件存儲類型是否為FASTA格式，判斷是否為反向互補序列，并結合判斷結果，選用相應的方法進行預處理；

(2)生成RT/S區氨基酸序列；

(3)特征矩陣構建；

(4)將特征矩陣數據集劃分為訓練集與測試集，將訓練集輸入機器學習模型中進行參數訓練，并進行概率預測；

(5)使用訓練好的模型，針對新的一批患者數據，評估模型的魯棒性和各類性能，如敏感性、特異性、AUC值、準確率等。

2.根據權利要求1所述的采用機器學習模型高通量分析乙型肝炎病毒HBV基因組RT/S區序列特征預測肝癌風險的方法，其特征在于：所述步驟(1)中，輸入數據為NGS高通量測序的序列數據，包含HBV基因組數據RT及S區序列的兩個片段，其中RT1序列長度為481bp，RT2序列長度為406bp，文件格式為FASTA或FASTQ。

3.根據權利要求1所述的采用機器學習模型高通量分析乙型肝炎病毒HBV基因組RT/S區序列特征預測肝癌風險的方法，其特征在于：所述步驟(2)中，RT區氨基酸序列的翻譯從第1位核苷酸起始，S區氨基酸序列的翻譯從第2位核苷酸起始。

4.根據權利要求1所述的采用機器學習模型高通量分析乙型肝炎病毒HBV基因組RT/S區序列特征預測肝癌風險的方法，其特征在于：所述步驟(3)中，選用堿基分布百分比特征(ACGT feature)算法計算每個位點的堿基分布百分比，選用三種突變頻率特征算法分別計算核苷酸序列及RT/S區氨基酸序列的突變頻率，選用三種香農熵特征算法計算核苷酸序列及RT/S區氨基酸序列的香農熵，選用游走香農熵特征(Group Walk entropy feature)和滑動香農熵特征(Slide entropy feature)算法分別計算RT區核苷酸序列的香農熵，選用K-mer feature算法計算RT區序列的3-mer特征，特征矩陣引入all features特征，為上述特征的整合。

5.根據權利要求1所述的采用機器學習模型高通量分析乙型肝炎病毒HBV基因組RT/S區序列特征預測肝癌風險的方法，其特征在于：所述步驟(4)中，輸入數據為HBV基因組RT/S區序列的特征矩陣，并采用隨機森林、K最近鄰、支持向量機和邏輯回歸四種機器學習模型進行學習與訓練；在本步驟中，機器學習算法采用scikit-learn包。

6.根據權利要求1-4任一項所述的采用機器學習模型高通量分析乙型肝炎病毒HBV基因組RT及S區序列特征預測肝癌風險的方法，其特征在于：對于每一個訓練的模型，共輸入了11種不同的特征(10種單一特征以及1種所有特征的整合)，最終一共得到44種不同模型；在模型訓練與測試完成后，選擇曲線下面積AUC最優的模型作為慢性乙肝(CHB)和HCC人群進行鑒別的模型，模型輸出值作為肝癌風險預測得分。